NLP--2 语言结构和传统pipeline

四个阶段

自然语言是复杂的符号（词，短语，句子）系统 比ordinary符号更多的内部结构， 以下四层：

• phonological，individual sounds，书写语言，符号，字母；（最低）词素
• morphological，morphemes级别，最小意思语言单元，或者组成词；
• syntactic，词组成句子
• semantic，meaning级，（前三个都不涉及meaning,只是sign），例如语言符号的表示
  以上四种linguistic sign不全面，
  传统的语义不涉及非文字的，上下文依赖的意思成分，这都留给语用学（pragmatics）；
  discourse analysis（篇章分析）：分析关系，在比句子大的单元（段落，整个对话等）。
  例如，字母为phonological，字母组合为morphological，词组成句子为syntactic，最后是语义结构。

语法

依赖语言符号（sign），定义更重要的概念：
语言是一组符号，语法包含：一组signs，语言的词典（lexicon）和有限的操作使一个sign映射到另一个；
语法生成语言，当操作了一定数量次数的语法在他的词典上；
语法操作分为 上一章说的四个部分，同时进行；也有一些严格在morphology和syntax或者只是syntax。

描述语法

语言的中心目标是描述语法生成自然语言：
explicitly，通过描述字典和定义operation生成语言元素；
implicitly，通过提供已经由语法生成的例子表示集合（带有morphology，syntactic标签）。

解析和生成（语法相关的任务）

1 parsing 解析：

• 描述是否一系列手写字符属于给定语法生成的语言：是否包含语言词汇，well-formed和有意义；
• 定义音韵，语法，语义结构根据手写字符，由给定语法生成的语言。
  使大部分的NLP task能通过解析text输入和根据特定的语法生成他们的表示结构；用结果分析作为特征为以后的处理；
  传统的NLP pipeline就是解析pipeline for一个或多个语法。每个成分生成输入表示结构的一部分

2 生成 Generation：

• 无条件的：生成语法语言元素（实践上没用）
• 有条件的：生成满足一定条件的语法语言元素（有意义，chatbot）

传统pipeline的处理人任务

1 形态和语法：
句子层面：

• tokenization，得到word 边界
• 句子 splitting

子结构：

• 形态分析，uncover subword结构

语法结构层面：

• 部分标签
• 深浅语法解析

2 语义

• 定义 entity recognition
• word sense 去歧义
• coreference resolution/ entity linking
• 语义角色标签（浅语义解析）
• 深度语义解析

pipepline task

tokenization：

1
切分输入字符系列，给tokens分配类型，分成word-like 单元
不仅有词，还有标点，emoticons，不是词但时对分割有用的单元
表明这些分割是特定类型的实例组成vocabulary。（大小写属于同一个type）
什么算做一个token？
task and model-dependent（一些标点不相关，一些相关）

2 分配类型和归一化

tokenization确定token类型的过程中归一化，忽略大小写，
归一化方法：

• 改正typos，
• 标准化数字或日期表示方式
• 标点（！！->!）

更radical 的策略包含分配所有的数字表述或者字典没有的都为一个type. 对于tokenization的挑战，不仅依赖方法，还依赖输入的书写，语言，domain，noise（typos）欧洲语言的缩写，数字表示，一词多义

句子分割

分割输入字符为一些句子

• 挑战是句子的interdependence和token segmentation
• 不正确的或者缺失的标点

形态学

1
最小的有意义单元，word包含一些morphemes（词素）

• bound/affixes->affixes可被替换，bound词素（前后缀）只能和其他词素一起组词；
• free/roots-> free词素可以独立作为word，root是词最有意义的内容，大部分的root都是free的。
  affixes可以分为词尾的（ing）和派生的（able）

2 词干和lemma

次干包含主要部分（太粗鲁），在所有变形的词中的base部分，有时候不是有意义的词（produc）
lemma相反，是个完整的词，是在所有的变形词中不发生变形的词（produce）

3 形态学分析任务

• 确定一个str 是不是well-formed word
• stemming-确定stem
• lemmatization-确定lamma
• 形态学tagging-给输入贴标签根据变形的语法信息（apples-plural）
• 形态学分割-分割输入词到不同的词素
• 完整形态学分析-分割到不同的词素并归类（根据类型和语法信息），通常包含lemmentization

4 形态学分析挑战

• 歧义/上下文依赖
• 复合词（两三个简单词组成）
• 形态丰富的语言（相似的）

PoS tagging

• part of speech 根据基本的语法角色归类（名词动词…）
• PoS类别是上下文依赖的

open和closed PoS 类别：

• closed：不变的那些词，语义不强，通常为没有独立意义的功能词
• open：例如动词，经常有更新和新的词加入，通常open类别的都是内容词（有语义内容特点）

Syntactic parsing 句法分析

• 描述well-formed sequences of words，最重要的是句子 重要的句法分析任务就是找到描述语言well-formed 句子的结构原理规则
• 输入的是sequence of words（句子），输出的是二值化输出，well or not
• well-formed 意味着他有满足syntactic 条件的结构描述或者syntactic 约束
• well-formdness并不保证有意义或者coherence

1 Constituency（aka phrase 结构）和dependency based syntactic 理论对NLP很重要
2 constituent是一个词或者一组consecutive·连续的词形成了一个自然单元

• 可以放到多种句子中
• 可以是问句的答案
• 可以用代词代替

3 constituency-based syntax语法

• 分类constituent
• 形成规则根据哪些constituent能放在一起变成更大的词，eventually形成一整个句子
  句法结构的好坏取决于它的constituency结构
• 其树结构（有向图）几个fragment

4 dependency-based 语法（有向关系 词词依赖）
treat 词之间的dependency 关系作为基础
通常是d word 依赖 h word （h head d）在一个句子，if

• d改变了h的含义，使其更具体，eat->eat bread（吃？具体吃什么？）
• 省略的非对称关系 d省略，h保持它的含义；但反过来就不同了

5 什么时候dependency？

• exactly一个独立的词(root)
• all其他的词都依赖这个词，
• 结果是有向依赖graph of 句子是个树
  大部分的依赖语法work with typed邮箱依赖（有限的list of邮箱依赖types 带有特定约束）
  
  和constituency树相比，node更少（每个word一个点） 但是边被带上相应的依赖类型标签

NER（named entity recognition）

任务是找到输入text的表达中的那些naming 实体，再给这些实体贴上标签。name一些typical 的词，分出类别。
通常这些实体是person，组织，地点，也有一些是data，event，…

coreference resolution 消除指代

决定实体命名的指代，确定referring表达的边界范围，包含常见名词代词，cluster 他们，根据谁的成员都属于一个实体来分组。

实体联系linking

也与实体reference 相关，但从以下两方面不同：

• as NER，局限于name-like 表达
• 通过外部知识base连接名字和实体记录，来确定实体的身份

WSD（所有content词）

word sense disambiguation
连接表达与meanings/senses 在外部inventory

• 主要是关于常见名词和其他content word 的其他类型，动词，adj。 adv.
• sense collections是主要目标，建立lexical 词汇资源
  WSD系统可以分出一词多义，例如mouse

semantic role labelling（SRL）

identify predicate 和 argument 表达（谓语和宾语）

• predicate：表达event或者situation
• argument 指的是这些event 的参与者
  role标签是确定participant的类别和角色，根据宾语在时间表达的角色，参考所用谓语
  I give you a present

semantic 解析

full or deep 语义解析，不仅包括coreference resolution,WSD he 谓语宾语结构，还打算提供完整的formal 语义表示

• 正式结构表示输入文字的含义
• 表示词义
• 去歧义
• canonical inthe sense ，text有独自的表示
• 有很多有效的算法可以找到逻辑和语义关系 与其他语义和知识表示